人工智能在股票预测中的应用

杨雨霖

摘 要 人工智能技术已经在生产生活中得到了一些应用，近些年也逐步渗透到经济领域。股票作为大众生活的聚焦点，如何借助人工智能技术对历史数据和当前国内外形势、政策等抽象数据来对股票进行准确预测，是人工智能技术的新方向，现实的股票分析需处理大量数据，这正是人工智能技术的优势。本文结合了现有的应用于股票预测的人工神经网络模型，详细介绍了人工智能在股票预测方面的应用方法与应用实例，并对未来的改进可能性和应用前景进行了合理的展望。

关键词 人工智能；股票；大数据；价格预测

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2018）224-0150-02

从股票诞生以来，预测未来股价走势便成为了一个极富理论意义与实践意义的研究命题。但是，由于股票价格关于时间呈现出受多方面因素影响的高度非线性关系，传统预测方法往往难以把控股价变动的随机性与规律性之间的平衡，存在着或多或少的缺陷[ 1 ]。而随着人工智能的发展，其强大的数据储存、处理、分析能力为股票预测提供了新的思路。基于人工智能及相关技术的股票预测手段近些年受到广泛研究，它们较好地弥补了传统预测方法的不足，提升了股票预测的可靠性、准确性[ 2 ]。

本文正是针对股票预测中的大数据分析特点，结合人工智能技术的优势，有机地将两者进行交叉分析研究，从应用的可行性角度阐述了应用的方法与一些应用实例，为人工智能技术在经济金融领域的应用提供新的思路。

1 基本概念

1.1 人工智能

人工智能第一次是在1956年提出的，当时其主要是作为可体现出智能行为的硬件或软件形式出现的。随着互联网技术的发展以及深度学习的出现，人工智能的应用领域正在不断拓展[1-2]，其中典型的人工神经网络结构如图1所示。

人工智能的学习方式主要是通过借助先进的处理器建立类似图1所示的人工神经网络模型，来模拟人脑对数据处理的思维，通常都是由多层结构组成，分别为输入层、隐含层和输出层，其中最为关键的是隐含层，通过隐含层中复杂的算法实现模拟人脑的工作过程。其一般工作过程可描述为：

首先通过输入层感知外部环境数据信息，接着进入隐含层进行数据处理，如线性变换、聚类分类等算法实现数据智能处理，特别地，隐含层是根据实际应用需要进行特定设计，经过处理后得到目标结果传送到输出层以供后续使用。本质上，每一层都有其对应的算法，每一层对应的输出即为下一层对应的输入，借助这种数据处理流程，实现模拟人脑的神经元工作机制[ 2 ]，从而得到对有关初始数据的学习结果。

1.2 股票分析

常见的股票市场的分析方法主要有基本分析和技术分析两种[3-4]。

基本分析（Fundamental？Analysis）研究的是股票内在价值。基本分析通过对宏观经济状况、行业前景和公司发展状况的研究，得出股票的长期投资价值和安全边际，与股票市场价进行比对，以此得出或买或卖的投资建议。基本分析的方法对新投资者而言难于理解，且预测精度不高，对中短期投资缺乏指导作用，多用于长线投资分析。

技术分析（Technical？Analysis）研究的是市场行为。技术分析的理论基础有3条：市场行为包容一切信息；价格以趋势波动；历史往往重演。技术分析通过对股票价格波动方式和波动周期的研究，得出短期内股价如何变化的投资指导意见。技术分析不适用于长期趋势的预测，并且可靠性和准确性不足，容易受政策的外界因素的干扰。

2 人工智能在股票预测中的应用分析

2.1 应用领域

2.1.1 大盘预测

对大盘数据进行预测，是人工智能应用于股票分析领域的一个重要方向。这种分析的实现大多以技术分析相关理论作为理论基础。根据“历史往往重演”的理论，可以将此前证券市场上涨行情（牛市）的数据作为样本，选取牛市行情的典型数据特征，以此训练人工智能，使其在市场展露出上涨或下降特征时做出预测。

由此不难看出，特征选取的质量决定了预测的准确性。若选取特征过少或不够准确，容易导致人工智能对市场变化信息不够敏感。若特征选取过多，将会加大运算量，并会使人工智能容易受无关噪音干扰。

文献[4]在基本特征之外选用了相关状态参数等深层特征，取得了比较好的预测效果。

2.1.2 个股价格预测

上述的方法能够获得大盘走势的预测信息，但是仅依靠这些信息还不能帮助投资者做出更具体的选择，如买入或卖出某只特定的股票。因而，对个股价格进行预测成为了人工智能在股票分析领域的另一个重要应用方向。在个股价格预测与人工神经网络技术相结合时，常以单只股票的开、收盘价与最高、最低价等作为学习样本，使人工神经网络尽可能模拟出该股票随时间变动的非线性关系。

但是这种人工神经网络方法存在容易陷入局部最小值等問题。早先有文献运用BP神经网络进行个股价格预测，其效果不甚理想[ 5 ]。近些年来，又有将Elman神经网络与BP神经网络相结合，并运用小波分析过滤学习样本，获得了更好的实验结果[ 6 ]。

此外，人工神经网络预测个股价格还存在着推广性差的问题，即针对每一只股票都需要重新训练人工神经网络。解决这个问题将大大提升人工神经网络技术在股票预测领域的应用价值，这还需要研究者的进一步努力。

2.2 应用方法

2.2.1 数据采集与处理

由于模型预测原理不同，人工智能应用于股票分析时需采集的数据种类和先期处理的方式也各有差别。一些模型只选用股票日收盘价作为训练数据[7]，通过对数据进行处理，得到了比较好的预测效果。选用数据少可以简化输入层结构，从而降低了神经网络实现的硬件压力。另一些模型选用了较多的数据，增加训练数据种类使人工神经网络拥有了分类选股的能力，而不止局限于预测股票第二日价格。

对数据的预处理方式也是各个模型区别于其他模型的一大特征，其中应用较广泛的是归一法。归一法是通过公式（1）所实现：

预处理后有的模型运用小波变换法对数据再次处理，小波变换法是利用一个原始小波函数及其伸缩、平移形成的函数系对原始数据进行多尺度分解，以分解信号代替原始数据输入神经网络，既减少了神经网络所需的训练次数，也增强了小波函数逼近函数的能力。

2.2.2 模型训练

在预测模型建立过程中，模型训练往往放在模型构筑之前。这是由人工神经网络的特性决定的。人工神经网络由输入层、隐含层、输出层三层结构组成，其中隐含层是人工神经网络结构的核心，而隐含层的神经元个数不具有规律性[ 3 ]，需要进行预实验最终确定。有的基于径向基函数（RBF）的人工神经网络模型将模型训练与模型构筑结合起来[7]，在訓练的同时为基函数加权，建立神经网络。

粒子群训练法是一种较为普遍的模型训练方法。粒子群训练法是将每个数据处理为一个高维空间中只有位置和速度的微粒，通过迭代不断追寻最优粒子的方式找出最优解。粒子群训练法是一种实用性较强的全局寻优算法，与BP算法等局部寻优算法不同，不易陷入局部最小值。

2.2.3 模型构筑

除上文所述的径向基函数法可在模型训练的同时完成模型构筑，大多数人工神经网络模型需要依据输入层、输出层结构并根据经验或相应公式大致确定隐含层神经元个数范围，再通过先前确定的模型训练方法训练隐含层神经元不同的神经网络，选取结果最优的神经网络作为最终结构。

2.2.4 模型评估

在人工神经网络模型完成实验后，需要评估其预测的准确性，以此判断此模型在股票分析中是否实用。一般用于股票分析的机器学习模式有两种：模式识别与函数逼近。前者强调将股票按收益高低等指标分类，后者强调对股价的直接预测。根据机器学习模式的不同，相应的也应采用不同的评估方法。模式识别类型的神经网络采用分类正确率来验证预测准确率，而函数逼近类型的神经网络运用均方误差（MSE）、绝对平均误差（AAE）、最小二乘误差（LSE）等统计量衡量预测准确率。

大多数模型只以对测试集合的预测结果作为评判标准。也有一些文献中提出用训练集中的样本重复检验模型，以模型的回忆能力作为辅助评判标准。

2.3 未来展望

目前，应用于股票预测的人工神经网络模型层出不穷，而人工神经网络的硬件实现成为了新的可取研究方向。人工神经网络的硬件实现能提高资源利用率，减少网络训练的资源消耗并显著地改善预测速度，有着比较高的研究价值。

时至今日，人工神经网络仍没有在实践中得到广泛的应用。随着研究的进一步深入，可以预见人工神经网络在股票预测领域的应用范围会进一步扩大，实用性也会进一步增强，这对于数据密集的股票分析是大有裨益的。

3 结论

由文献资料可以看出，早年的人工神经网络存在着建模复杂、预测准确率低等各种问题。经过十余年的发展，当今应用于股票分析领域的人工神经网络种类众多，对提高预测性能提出了多种多样的解决方法，并都取得了不错的效果。未来，人工神经网络将会继续发展并逐步实现硬件化，逐渐在股票预测领域扩大应用，为投资者预测股价变动带来越来越多的便利。

参考文献

[1]Lertyingyod W， Benjamas N. Stock price trend prediction using Artificial Neural Network techniques： Case study： Thailand stock exchange[C]// Computer Science and Engineering Conference. IEEE，2017：1-6.

[2]Srinivasan N， Lakshmi C. Stock prediction and analysis using intermittent training data with artificial neural networks[C]// International Conference on Innovations in Information， Embedded and Communication Systems.2017：1-4.

[3]刘海玥.遗传算法与神经网络在股票预测中的分析[D].太原：中北大学，2011.

[4]宋恒，张杨.基于模式识别技术的股票市场技术分析研究[J].计算机仿真，2004，21（7）：142-145.

[5]张健，陈勇，夏罡，等.人工神经网络之股票预测[J].计算机工程，1997（2）：52-55.

[6]张坤，郁湧，李彤.基于小波和神经网络相结合的股票价格模型[J].计算机工程与设计，2009，30（23）：5496-5498.

[7]庞英智，赵晓丹，郭伟业.一种基于RBF人工神经网络的预测方法研究[J].情报科学，2009（11）：1707-1709.